基于小波变换的雷达辐射源信号特征提取
小波变换特征提取
小波变换特征提取小波变换是一种用于信号分析的数学工具，它在信号处理、图像处理、模式识别等领域中有很广泛的应用。
小波变换具有区间局限性和多分辨率分析的特性，可以有效地提取信号中的特征信息，对于信号分析和识别具有重要意义。
小波变换的基本原理是将信号分解成不同频率的小波分量，从而得到信号在不同频率下的信息。
小波基函数的选择和分解层数会直接影响到得到的小波系数，进而影响到特征提取的效果。
通常，小波基函数可以选择Haar、Daubechies、Symlet等常用的小波基函数。
在小波变换的基础上，可以进行特征提取的处理，常见的方法有：1.小波包变换小波包变换可以根据需求对小波分解的结果进行更细致的调整，以更好地提取信号的特征。
小波包变换将小波系数进一步分解成多个分量，可以得到更多的信息，进而进行更精细的特征提取。
2.小波包能量特征小波包能量特征是通过计算小波包分解后的能量分布来提取特征。
利用小波包变换得到的分解系数，可以计算每一层分解后的能量占比，从而得到信号在不同频率下的能量分布。
可以根据某一频带的能量分布情况来分析信号的特征。
小波包熵特征是通过计算小波包分解后的信息熵来提取特征。
信息熵可以反映信号的复杂度和随机性，小波包熵特征可以提取出信号的随机性和更深层次的特征。
小波变换可以有效地提取信号的特征信息，对于信号分析和识别具有重要意义。
特征提取的方法可以根据信号的特点和需求进行选择，可以选择小波包变换、小波包能量特征、小波包熵特征和小波包峰值特征等方法。
在实际应用中，可以根据具体条件和要求进行选择和优化，以更好地提取信号的特征信息。
一种新的Morlet小波及其在雷达信号特征提取中的应用研究
Ｆ ｂｕ ｒ ２ １ ｅ ｒ ａｙ， ００
一
种 新 的 Ｍｏ ｌｔ 波 及 其 在 雷 达 信 号 特 征 ｒ 小 ｅ
提 取 中 的应 用 研 究
余 志斌 ， 陈春 霞 ２ ， 金 炜东
（ ．西 南 交 通 大 学 信 息 科 学 与 技 术 学 院 ， 四川 成 都 ６ ０ ３ ； ２ １ １ ０ １ ．成 都 电子 机 械 高 等 科 学 校 机械 １ 系 ， 四ＪＩ成 都 ６ ０ ３ 程 Ｉ １０ １
比，基 于改 进 的 Ｍｏｌｔ 波提 取信 号脊 线特 征 ｌ 较 强 的检测 概率和 抗噪 性 能，其 方法 的有 效性 为实验 结果所 证 实 。 ｒｅ 小 彳 『
关键 词 ：小 波脊线 ；瞬 时频 率 ；雷达 信 号 ：小波 ｌ ｆ 中 图分类 号 ：Ｔ ７ Ｎ９ 文献标 识码 ：Ａ
１
引 言
瞬 时频 率 能够 反 应 信 号 在 每 一 时 刻 的频 率 变 化 ，与 幅 度 相 比抗 外 界 干 扰 强 ， 作 为 描述 信 号 时变 特
征 的重 要 调 制 参 数 ，如 何 正 确估 计 它 一 直 是 非 平 稳 信 号 处 理 中 的研 究 热 点【 。 目前 方法 诸 如 Ｈｉ ｅｔ ｌ 】 ｌｒ ｂ 变 换 法 …， 时频 分 析 法 ４ 相 位 差 分 法 ］ 瞬 时 自相 关 法 】 虽然 在 一 定 条件 下 能有 效 估 计 信 号 瞬 时 ￣Ｊ 、 、 等 频 率 ，但 是 这 些 方 法 存 在 参 数 估 计 精 度 不 高 、 易受 噪 声 影 响等 局 限 。 文 献 ［］ 用 小 波 变 换 在 时 间与 频 率 上 同 时具 备 良好 的局 部 化 和 对 相 位 突 变 敏 感 的特 性 ，提 取 了信 ７利 号 的小 波 脊 线 （ ｖ ｌ ｉｇ ，ＷＲ）并 有 效 估 计 了信 号 的 瞬 时 频 率 。郁 春 来 等 ］ Ｗａ ｅｅ Ｒ ｄ ｅ ｔ 利用 改进 迭 代 算 法 提 取 了雷 达 信 号 的瞬 时 频 率 特 征 。但 是 ，这 些 方 法 仍 然 存 在 需 要 选择 最 优 小 波 参数 和 强 噪声 下 精 度 低 等
雷达信号处理中的目标识别与特征提取方法
雷达信号处理中的目标识别与特征提取方法雷达信号处理是一种关键的技术，在许多领域中都有广泛的应用。
目标识别与特征提取是雷达信号处理的重要任务之一。
通过分析雷达接收到的信号，我们可以识别出不同的目标，并提取出与目标相关的特征信息。
本文将介绍雷达信号处理中常用的目标识别与特征提取方法。
一、目标识别方法目标识别是指将雷达接收到的信号与已知目标模型进行比对，从而确定目标的类别。
常用的目标识别方法包括以下几种：1. 信号处理与匹配滤波：匹配滤波是一种经典的目标识别方法。
它利用目标的特征信息构建一个滤波器，将雷达接收到的信号与滤波器进行卷积运算，得到目标的匹配度。
通过设置合适的阈值，即可识别目标。
2. 统计判决方法：统计判决方法利用目标的统计特征进行目标识别。
常用的统计判决方法包括贝叶斯判决、最小距离判决等。
这些方法通过建立目标的统计模型，并根据观测到的信号特征进行判决，从而实现目标的识别。
3. 特征匹配方法：特征匹配方法利用目标的特征信息进行目标识别。
常用的特征匹配方法包括相关匹配、相位匹配等。
这些方法通过计算目标特征之间的相似度，从而确定目标的类别。
特征匹配方法具有较高的准确性和鲁棒性，广泛应用于雷达目标识别中。
二、特征提取方法特征提取是指从雷达接收到的信号中提取出与目标相关的特征信息。
目标的特征信息可以包括目标的形状、尺寸、运动状态等。
常用的特征提取方法包括以下几种：1. 波形特征提取：波形特征提取是从雷达接收到的信号波形中提取出目标的特征信息。
常用的波形特征包括峰值、频率、幅度等。
通过分析这些波形特征，可以识别出目标的一些基本特征。
2. 多普勒频谱特征提取：多普勒频谱特征提取是从雷达接收到的信号的多普勒频谱中提取出目标的特征信息。
通过分析多普勒频谱的幅度、频率等特征，可以识别出目标的运动状态。
3. 极化特征提取：极化特征提取是从雷达接收到的信号的极化信息中提取出目标的特征信息。
雷达信号的极化信息包括目标的极化散射矩阵等。
小波变换在图像特征提取中的应用案例
小波变换在图像特征提取中的应用案例小波变换是一种信号处理和图像处理中常用的数学工具，它在图像特征提取中有着广泛的应用。
本文将通过几个实际案例来介绍小波变换在图像特征提取中的应用。
案例一：纹理特征提取纹理是图像中重要的视觉特征之一，通过提取图像的纹理特征可以用于图像分类、目标识别等应用。
小波变换可以有效地提取图像的纹理特征。
以纹理分类为例，首先将图像进行小波分解，得到不同尺度和方向的小波系数。
然后，通过对小波系数进行统计分析，如计算均值、方差等，可以得到一组纹理特征向量。
最后，利用这些特征向量可以进行纹理分类。
案例二：边缘检测边缘是图像中物体之间的分界线，对于图像分析和目标检测具有重要意义。
小波变换可以有效地提取图像的边缘信息。
通过对图像进行小波变换，可以得到不同尺度和方向的边缘响应。
然后，通过对边缘响应进行阈值处理和边缘增强，可以得到清晰的边缘图像。
这些边缘图像可以用于图像分割、目标检测等应用。
案例三：图像压缩图像压缩是图像处理中的重要任务，可以减少存储空间和传输带宽的消耗。
小波变换可以用于图像的有损压缩和无损压缩。
在有损压缩中，通过对图像进行小波分解和量化，可以得到低频和高频小波系数。
然后，通过对高频系数进行舍弃或者量化，可以实现对图像的压缩。
在无损压缩中，通过对小波系数进行编码和解码，可以实现对图像的无损压缩。
案例四：图像增强图像增强是改善图像质量和提高图像视觉效果的重要任务。
小波变换可以用于图像的多尺度增强。
通过对图像进行小波分解，可以得到不同尺度和方向的小波系数。
然后，通过对小波系数进行增强操作，如对比度增强、锐化等，可以改善图像的质量和增强图像的细节。
综上所述，小波变换在图像特征提取中有着广泛的应用。
通过对图像进行小波变换，可以提取图像的纹理特征、边缘信息等重要特征，实现图像分类、目标检测等应用。
同时，小波变换还可以用于图像的压缩和增强，提高图像的质量和视觉效果。
因此，小波变换在图像处理中具有重要的地位和应用前景。
基于小波包分析的辐射源特征提取和识别算法
（ 西安 电子科技 大 学 电子 工程 学 院，陕 西 西安 ７０ ７） １０ １
摘 要 ：提 出了一种 基 于小 波 包的 变换 方 法。 该方 法通 过对 不 同脉 内调制 方 式进行 频 带能 量 的提取 。并 引入 支持 向量 机 来完成 对辐 射 源的 分类 。该 小波 包变换对信 号 局部 的 时频特 征具
１１ 小 波变换 ．
小 波 变 换 是 由法 国科 学 家 Ｍｏｌｔ １８ 年在 ｒ 于 ９４ ｅ
进 行 地震数 据 分析 时提 出 的 。他 在分 析 地震 波 局 部 信 号 时 ，发 现 传 统 的傅 里 叶 变 换 难 以达 到要 求 ，从 而引人 了小 波概 念 。 小 波变 换 与短 时傅里 叶变换 一样 ，属于 时频 分 析 方 法 中 的 一 类 分 析 方 法 。即 核 函 数 分 解 法 （ｔｍ ｃ ｅｏ ｐ ｓ ｉｎ Ｄ ，也 就 是 线 性 时 频 描 ａｏ ｉ ｄ ｃｍ ｏｉｏ ，Ａ ） ｔ
Ｖ０． ２ Ｎ ． ０ １ ｏ１ １ Ｏｃ．２ １ ｔ ＯＯຫໍສະໝຸດ ２ ｌ 年 ｌ 月 ＯＯ Ｏ
振荡性 、速降性 、带通性 ，在 定义 域 内是 紧支 撑
的。
（） ３ ：将 各 个频 带 的信 号 能量 组 成特 征 向量 ，
Ｓ
定 义 ：设 ｛ ｝是 由式 （ １ ）给 出的小 波 函
第 ｌ卷 ２
第 １ 期 ０
Ｖｏ． ２ Ｎｏ １ １ ．０ １
Ｏｃ ．２ Ｏ ｔ Ｏ１
２ １ 年 ｌ 月 ００ ０
ｄ ｉ ０３ ６ ／ｉ ｎ１ ６ － ７ ５ ０ ０１ ．２ ｏ： ．９ ９ ．ｓ ．５ ３ ４ ９ ． １ ． ０ ７ １ ｊｓ ２ ０
基于小波包分析 的辐射源特征 提取和识别算法
基于小波包变换的雷达辐射源信号识别
基 于小 波 包 变换 的雷 达 辐 射 源信 号 识 别
雷恒恒 ， 拥军 ， 赵 韩 旭， 张培 峰
（ 州信 息科 技 学 院 ， 州 ４００ ） 郑 郑 ５０ ２
摘 要 ： 了提 高 雷 达 辐 射 源 信 号 的 正 确 识 别 率 以 满 足 现 代 电 子 对 抗 的 需 求 ， 出 一 种 以 小 波 包 为 提
２ 。 波 包 理 论 小
小波包 的概 念是 Ｍ． Ｗｉ ｅｈｕｅ 等人 在小 Ｖ． ｃ ｒａｓｒ ｋ
波变换 的基 础 上进 一 步 提 出 的 ， 波包 可 以看 成 小
是 函数空 间逐 级正交 剖分 的扩 展 。由多分 辨分析
可知 ， 小波 变换 只对低 频部 分进行 分解 ， 高频部 而 分不 分解 ， 高频 部 分 的 分 辨率 就 很 低 。小 波包 故 不仅在 低频 部 分上 进 行 正 交分 解 ， 且 在 高频 部 并
ｎ ｕ ａ ｅｗｏｋ．Ｓｉ ａ ｉｎ ｅ ｐ ｒｍｅ ｔｒ ｓ ｌ ｈ ｗ ｈ ｔｔ ｅ ｐ ｏ ｏ ｅ ｔ ｏ ｏ ｌ ｃ ｅ ｅ ｇ ｏ ｅ ｅ ｒ ｌｎ ｔ ｒ ｍｕｌｔ ｘ ｅ ｉ ｎ ｅ ｕ ｔ ｓ ｏ ｔ ａ ｈ ｒ ｐ ｓ ｄ ｍｅ ｄ ｃ ｕ ｄ ａ ｈｉｖ ｏ ｄ ａ — ｏ ｓ ｈ
征、 相像 系 数 、 维 数 、 值 等 Ｌ ３ 。 由于 小 波分 盒 熵 ｌ －Ｊ 析在 时域和 频域 都 具 有 良好 的局 部 特 性 ， 能对 信 号 的任 意细 节 进行 分 析 ， 以提 取 信号 的细微 特 可
征 ， 一般 以小 波 系 数 的 能量 和 统 计量 为 特 征 进 故
系数 的能 量 比和 标 准差为特 征 的算 法 ， 并采 用 Ｂ Ｐ神 经 网络 进行 识 别 。仿 真 实验表 明 ， 方 法 该 能在较 低 的信噪 比条件 下取 得较 好 的识别 率 。
小波变换在机器学习中的特征提取和分类问题
小波变换在机器学习中的特征提取和分类问题近年来，机器学习在各个领域取得了巨大的发展。
然而，对于复杂的数据集，如图像、声音和文本等，特征提取一直是一个具有挑战性的问题。
为了解决这个问题，小波变换成为了一种重要的工具。
小波变换是一种数学方法，可以将信号分解成不同频率的子信号，从而提取出信号的特征。
首先，让我们来了解一下小波变换的基本原理。
小波变换使用一组称为小波基函数的函数来分析信号。
这些小波基函数具有不同的频率和时间尺度，可以适应不同类型的信号。
通过对信号进行小波变换，我们可以得到信号在不同频率下的能量分布。
这种能量分布可以用来描述信号的特征，例如频率成分和时域特性。
在机器学习中，特征提取是非常重要的。
特征提取的目的是将原始数据转化为一组有意义的特征，以便于后续的分类或回归任务。
传统的特征提取方法通常基于统计学或频域分析。
然而，这些方法往往无法捕捉到信号中的局部特征和时域信息。
而小波变换可以通过分析信号的局部特征来提取更加准确的特征。
小波变换在特征提取中的应用非常广泛。
例如，在图像处理中，小波变换可以将图像分解成不同尺度和方向的子图像。
这些子图像可以捕捉到图像的边缘、纹理和形状等特征。
通过对这些子图像进行特征提取，我们可以得到一组有意义的特征，用于图像分类和识别任务。
类似地，在语音识别中，小波变换可以将语音信号分解成不同频率的子信号，从而提取出语音的频谱特征和语音特征。
这些特征可以用于语音识别和情感分析等任务。
除了特征提取，小波变换还可以用于分类问题。
分类是机器学习中的一个核心任务，其目标是将数据分为不同的类别。
传统的分类方法通常基于统计学或机器学习算法，如支持向量机和随机森林等。
然而，这些方法往往无法处理高维数据和非线性关系。
小波变换可以通过提取信号的局部特征来解决这个问题。
通过对信号进行小波变换，我们可以得到一组有意义的特征，用于分类任务。
这些特征可以用于训练分类器，如神经网络和决策树等。
通过将小波变换与分类器结合起来，我们可以提高分类的准确性和鲁棒性。
小波变换在雷达信号处理中的应用
小波变换在雷达信号处理中的应用雷达信号处理是一项重要的技术，广泛应用于军事、航空、气象等领域。
而在雷达信号处理中，小波变换作为一种有效的信号分析工具，发挥着重要的作用。
本文将探讨小波变换在雷达信号处理中的应用。
1. 小波变换的原理和特点小波变换是一种时频分析方法，可以将信号分解成不同频率和时间的成分。
与傅里叶变换相比，小波变换具有更好的时频局部性，能够更准确地描述信号的瞬时特征。
小波变换通过选择不同的小波基函数，可以适应不同类型的信号分析需求。
2. 小波变换在雷达信号去噪中的应用雷达信号通常受到多种噪声的干扰，如高斯噪声、脉冲干扰等。
小波变换可以将噪声和信号分离，通过去除噪声成分，提高雷达信号的信噪比。
在雷达信号去噪中，可以利用小波变换的多尺度分析特性，选择合适的小波基函数和阈值方法，实现噪声的有效抑制。
3. 小波变换在雷达目标检测中的应用雷达目标检测是雷达信号处理的关键任务之一。
小波变换可以将雷达信号分解成不同频率和时间的成分，提取目标的瞬时特征。
通过对小波系数的分析，可以实现目标的检测和定位。
此外，小波变换还可以应用于雷达目标识别和跟踪等方面，提高雷达系统的性能。
4. 小波变换在雷达成像中的应用雷达成像是一种通过雷达信号获取目标图像的技术。
小波变换可以对雷达信号进行时频分析，提取目标的空间和频域信息。
通过将小波变换与雷达成像算法相结合，可以实现高分辨率的雷达图像重建。
小波变换在雷达成像中的应用，为目标的识别和定位提供了更精确的信息。
5. 小波变换在雷达信号压缩中的应用雷达信号通常具有较高的数据量，对数据的传输和存储提出了挑战。
小波变换可以将雷达信号进行压缩，减少数据量的同时保留信号的重要信息。
通过选择合适的小波基函数和压缩算法，可以实现雷达信号的高效压缩和重构。
综上所述，小波变换在雷达信号处理中具有广泛的应用。
通过对雷达信号进行小波变换，可以实现信号去噪、目标检测、成像和压缩等任务。
小波变换的时频局部性和多尺度分析特性，为雷达信号处理提供了更准确和有效的方法。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
３Ｓ ｈ ｏ ｆ ｎｏｍａｉｎＳ ｉｎ ｅ ｅ ｈ ００ ｙ ｏ ｔｗ ｓＪａ ｔｎ ｉｅｓ ｙ ｈ ｎ ｄ ｉｈ ａ １０ ，Ｃ ｉａ ．ｃ ｏ ｌ ｆｒ ｔ ｃｅ ｃ ＆Ｔ ｃ ｎ ｌｇ ，Ｓ ｕｈ ｅ ｔ ｉｏｏ ｇＵｎｖｒｉ ，Ｃ ｅ ｇ ｕＳｃ ｕ ｎ６ ０ ３ ｏＩ ｏ ｔ １ ｈｎ ）
ｏ ｈ ｒ ｅ ｅ ｇ ｎ ｒ ｐ ｏ ｉ ｔ ｒ ｓ ａ ｅ ｃ ｒ ｅ ａ ｉ ｎ ｅ ｏ ｓ ｆ ｄ ｔ ｉ ｃ ｅ ｆｃ ｅ ｔ ｒ ｄ ｐ ｅ ｏ ｅ ｈ ｒ ａ ｔ ｅ ｎ ｒ ｙ ｅ ｔ ｏ ｙ ｆ ｍ ｎ ｅ － ｃ ｌ ｏ ｒ ｌ ｔｏ ｓ ｄ ｎ ｉ ｅ ｏ ｅ ａ ｌ ｏ ｆ ｉ ｉ ｎ ｓ ｗｅ ｅ ａ ｏ ｔ ｄ ｔ ｇ ｔ ｅ ｓ ｒ ｔ ． ｉ ｎ ｉ ｎ ｌｆ ａｕ ｅ ｖ ｃ ｏ ｓ ｗｏ ｄ ｍｅ ｓ ｏ ａ ｅ ｔ ｒ ｅ ｔ ｒ ．Ｅｘ ｅ ｉ ｎ ｅ ｕ ｔ ｅ ｐ ｒ ｍｅ ｔ ｒ ｓ ｌｓ ｄ ｍｏ ｓｒ ｔ ｄ ｔ ａ ｈ ｅ ｔ ｒ ｓ ｏ ｅ ｙ ｉ ａ ａ ａ ｎ ｔａ ｅ ｈ ｔｔ ｅ ｆａ ｕ ｅ ｆｔ ｎ ｔｐ ｃ ｌ ｒ ｄ ｒ ｅ ｔｅ ｉ ｎ ｓ ｅ ｔａ ｔ ｄ ｂ ｖ ｌ ｔｔ ａ ｓ ｏ ｍ ｈ ｗｅ ｏ ｄ ｐｅ ｏ ｍ ａ ｃ ｆｎ ｉ ｅ ｒ ｓ ｓ ａ ｃ ｎ ｌ ｓ ｅ ｎ ｍｉｔ ｒｓ ｇ ａ ｘ ｒ ｃ ｅ ｙ ｗａ ｅ ｅ ｒ ｎ ｆ ｒ ｓ ｏ ｄ ｇ ｏ ｒ ｒ ｎ ｅ ｏ ｏ ｓ ・ ｅ ｉ ｔ ｎ ｅ ａ ｄ ｃ ｕ ｔ ｒ ｇ ｌ ｆ ｉ
度 相关去 噪计算后反 映信 号边 缘的高 频细节小波 系数能量分 布熵 一起构成 雷达辐 射源信 号 的二 维 特 征 向量 。 通 过 对 １ ０种 雷达 辐 射 源 信 号 的特 征 提 取 和 分 类 仿 真 实 验 ，结 果 表 明 ： 提取 的 样 本 特 征
在 低 信 噪 比下 具 有 很 好 的抗 噪 性 和 可 聚 类 性 ，证 明 了本 文 方 法 的有 效 性 。 关 键 词 ：雷 达 辐 射 源 信 号 ； 小 波 变 换 ；尺 度 间相 关 性 去 噪 中 图分 类 号 ：Ｔ ７ Ｎ９ 文 献 标 识 码 ：Ａ
基 于 小 波 变 换 的 雷 达 辐 射 源 信 号 特 征 提 取
陈韬伟 ，辛 明
（． １云南 财 经大 学 信 息学 院 ，云南 昆 明 ６ ０ ２ ；２中 国电 子集 团 公 司 第 ２ ５２１ ． ９所 ，四 川 成都 ６ ０ ３ Ｉ １ ０ ６； ３西 南 交通 大 学 信 息 科学 与技 术 学 院 ，四川 成都 ６ ０ ３ ） ． １０ １
摘 要 ：在 小 波 多分 辨 分 析 的 基 础 上 提 出一 种 对 雷达 辐 射 源 信 号 进 行 脉 内特 征 提 取 方 法 ，该 方 法 能 够 从 信 号 中有 效 提 取 定 量 信 息 。 将 小 波 变 换 后低 频 逼 近 小 波 系 数 的 能 量 分 布 熵 ， 与 经 过 尺
ｏ ｔ ｅ ｎ ｈ ｍｕ ｔ—ｅ ｏ ｕ ｉｎ ｈ ｒ ｃ ｅ ｉｔｃ ｏ ｗａ ｅｅ ｔａ ｓｏ ｍ． Ｉ ｗａ ｅｆｅｅ ｔ ｏ ｂ ａｎ ｕ ｎ ｉａｉ ｅ ｌｉｒ ｓ ｌ ｔｏ ｅ ａ ａ ｔｒｓｉｓ ｆ ｖ ｌ ｔ ｒ ｎ ｆｒ ｔ ｓ ｆｉ ｉｎ ｔ ｏ ｔｉ ｑ ａ ｔｔｔｖ ｉｆ ｒ ｔｏ ｒ ｍ ｉｎ ｌ． ｅ ｅ ｅ ｇ ｎ ｒ ｐ ｒ ｍ ｐ ｒ ｘ ｍａｉ ｎ ｃ ｅｆｃ ｅ ｔ ｆｗａ ｅｅ ｒ ｎ ｆ ｒ ａ ｄ ｔ ｅ ｎ ｏ ｍａｉ ｎ ｆｏ ｓｇ ａ ｓ Ｔｈ ｎ ｒ ｙｅ ｔｏ ｙｆｏ ａ ｐ ｏ ｉ ｔｏ ｏ ｆｉ ｉｎ ｓｏ ｖ ｌ ｔｔａ ｓｏ ｍ ｎ ｈ
ｗ ｅ ｉｎ ｌＮｏｓ ｔ （ＮＲ ａ ｗ ｈ ｎＳｇ ａ－ ｉｅＲａｉ Ｓ １ ｓｌ ． ｏ ｗ ｏ
第８ 卷
第４ 期
Байду номын сангаас
信 息 与 电 子 工 程
Ｉ ＮＦＯＲＭ ＡＴＩ ＯＮ ＡＮＤ ＥＬＥＣＴＲＯＮＩ Ｃ ＥＮＧＩ ＮＥＥＲＩ ＮＧ
Ｖｏ ． Ｎｏ． １ ８． ４
２ １ 年 ８月 ００
Ａｕ ．， ０１ ｇ ２ ０
文 章 编 号 ：１ ７ —８ ２ ２ １ ）４ ０ ３ — ５ ６ ２２ ９ （ ０ ００ — ４ ６ ０
Ｆｅ ｔ ｒ ｘｒ ｃｉｎｂａ ｅ ｎ ｗａ ｅｅ ｒ ｎｓｏ ｍ ｏ ａ ａ ｍｉｔｒｓｇ ａｓ ａｕ ｅｅ ｔａ ｔｏ ｓ ｄ ｏ ｖ ｌ ｔ ａ ｆｒ ｆ ｒｒ ｄ ｒｅ ｔ ｉ ｎ ｌ ｔ ｅ
ＣＨＥＮ ｏ Ｗ ｅ ， ＸＩ ｉ Ｔａ ． ｉ Ｎ Ｍ ｎｇ （． ｆｒ ｔ ｎＣ ｌ ｇ ，Ｙｕ ｎ ｎＵｎｖ ｒｉ ｆ ｉａ ｃ ｎ １Ｉ ｏｍａｉ ｏｌ ｅ ｎ ｏ ｅ ｎａ ｉｅｓｔ ｏ Ｆｎ ｎ ｅａ ｄＥｃｎ ｍｉｓ ｙ ｏ ｏ ｃ ，Ｋｕ ｍｉｇＹ ｎ ａ ５ ２ １ Ｃ ｉａ ｎ ｎ ｕ ｎ ｎ６ ０ ２ ， ｈｎ ；
Ａｂ ｔａ ｔ Ａｎ ａ ｐ ｏ ｃ ｏ ｎ ｒ － ｕ ｓ ｅ ｔｒ ｘｒ ｃ ｉｎ ｏ ａ ａ ｍ ｉ ｅ ｉ ｎ ｌ ｓｐ ｏ ｏ ｅ ａ ｅ ｓｒ ｃ ： ｐ ｒ ａ ｈ ｆ ｒｉｔａ ｐ ｌｅｆ ａｕ ｅ ｅ ｔａ ｔｏ ｆｒ ｄ ｒｅ ｔ ｒｓｇ ａｓｗａ ｒ ｐ ｓ ｄ ｂ ｓ ｄ ｔ